《表3 深度学习模型的对比评价》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习在多时相大棚提取应用研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从图6可以看出本文方法在信息的完整度和边缘提取效果上都优于U-net和Deeplabv3+原版，针对分割任务，除了Precision和F1指数之外，还加入前景交并比（Io U）评价模型以及预测时间（256×256）。由表3所示，本文的Precision、F1和Io U最高，分别为0.952 5、0.925 6和0.938 6。与U-net网络相比，U-net网络预测用时更快，但本文方法Precision提高了3%，Io U提高了4%。与原始Deeplabv3+网络相比，预测速度相同，由于本文模型充分利用了空间信息、时序信息以及光谱信息，所以Precision、F1和Io U都得到很大的提升。